隨著AI技術(shù)的快速發(fā)展,語言不再是溝通的障礙。最新的AI同聲傳譯技術(shù)的突破,讓每個人都可以在不同語言環(huán)境下無縫交流,不必?fù)?dān)心語言差異帶來的不便。這種技術(shù)讓每個普通人隨時“攜帶”一個專屬的同聲傳譯員出門成為可能。那么,隨著技術(shù)的成熟,哪些應(yīng)用場景將最先受到影響,成為我們?nèi)粘Ｉ畹囊徊糠?

當(dāng)下,許多人對AI翻譯軟件已經(jīng)不再陌生,這些軟件大多依托于文字翻譯技術(shù),并逐步融入了AI語音合成功能,來模擬同聲傳譯的體驗。例如,科大訊飛同傳、有道翻譯官和騰訊翻譯君等產(chǎn)品,都是這一領(lǐng)域的代表。這類軟件的工作原理一般是首先快速識別講話者的語音,并將其轉(zhuǎn)化為文字,再通過強大的自然語言處理算法對這些文字進(jìn)行翻譯,最后將翻譯后每個句子逐個轉(zhuǎn)化成語音并播放,實現(xiàn)“實時翻譯”的效果。

然而,這一系列流程不可避免地會帶來翻譯延遲問題。為了減少延遲,許多翻譯軟件選擇放棄語音播放功能,轉(zhuǎn)而只顯示翻譯后的文字。這種方式能夠?qū)崟r翻譯語音并以“字幕”的形式不斷更新,即便由于輸入的變化導(dǎo)致翻譯結(jié)果頻繁調(diào)整、推倒重來,也不會影響用戶的閱讀體驗。通過取消語音播放,更新后的翻譯內(nèi)容可以更迅速、連續(xù)地呈現(xiàn)在用戶面前,從而提升整體使用體驗。

而AI同聲傳譯模型則使用了完全不同的原理。

得益于近年AI模型的爆發(fā)性進(jìn)展,追求極低延遲的、直接將語音翻譯成語音的同聲傳譯模型在2024年開始逐漸出現(xiàn)。這類模型目的是直接或間接地將語音翻譯成目標(biāo)語言的語音。其中,三款表現(xiàn)出色的模型尤其受到關(guān)注,也是最接近真人同聲傳譯的方案:Meta(原Facebook)的Seamless-Streaming,中科院計算技術(shù)研究所的StreamSpeech,以及知了未來的同聲傳譯v3模型。這類模型的有別于傳統(tǒng)的AI翻譯軟件,它會嘗試模仿人類翻譯時的行為,不將發(fā)言人講話的內(nèi)容立馬翻譯出來,而是邊“聽”邊判斷當(dāng)前發(fā)言內(nèi)容是否足夠適合完整、是否需要聽取更多的內(nèi)容才能進(jìn)行翻譯。

Meta在AI領(lǐng)域擁有顯著的影響力,尤其是在開源貢獻(xiàn)和前沿技術(shù)研究方面。其AI研究部門Meta AI多個人工智能領(lǐng)域取得了重要突破,LLaMA(大型語言模型)作為其推出的開源模型,已經(jīng)在AI研究界廣泛使用;并且其推出的開源框架PyTorch已經(jīng)成為全球AI研究和應(yīng)用中的主流工具。其同聲傳譯模型Seamless-Streaming此次同樣開源,允許任何人訪問其核心原理,根據(jù)其發(fā)表的相關(guān)論文顯示(https://ai.meta.com/resources/models-and-libraries/seamless-communication-models/),Seamless-Streaming選擇使用“EMMA”策略來判斷翻譯機是否應(yīng)該立刻翻譯聽取到的內(nèi)容還是等待更多內(nèi)容的輸入。在測試使用中,Seamless-Streaming模型做到了3秒左右的延遲的準(zhǔn)確翻譯,簡單來說就是翻譯內(nèi)容滯后于原本發(fā)言3秒鐘左右。相較于傳統(tǒng)AI翻譯軟件“同聲傳譯”的15秒以上的延遲有了突破性的優(yōu)化,真正達(dá)到了真人同聲傳譯延遲的水準(zhǔn),但可惜準(zhǔn)確性相較于傳統(tǒng)AI翻譯仍有些不足。尤其是中文等復(fù)雜語言的翻譯測試中,時長出現(xiàn)會錯意、聽不懂“言下之意”的問題。

而作為國內(nèi)最高學(xué)術(shù)機構(gòu)和綜合性科研中心,中科院同樣開源了其關(guān)于StreamSpeech模型的研究。根據(jù)其發(fā)表的論文顯示(https://arxiv.org/abs/2406.03049),StreamSpeech主要采用了檢查“Alignments”的方式來判斷翻譯機的等待與否。令人震驚的是,該翻譯模型的翻譯延遲達(dá)到了驚人的0.3秒,值得一提的是,這甚至于人類的平均反應(yīng)時間相當(dāng)。這一翻譯速度已經(jīng)遠(yuǎn)遠(yuǎn)超過真人能企及的水平,對于真人同聲傳譯員來說,從演講人說出單詞到聽到并理解到腦中的時間就已不止0.3秒?？上壳霸撃Ｐ虚_源的部分中該模型僅支持英法、英西、英德的翻譯,暫時不支持中文。并且在低延遲模型的測試中,翻譯的流暢程度有些差強人意,翻譯出來的內(nèi)容更像是“逐字機翻”而非流暢的翻譯語句意思。這個問題的出現(xiàn)更多是因為延遲太低,導(dǎo)致翻譯機“被迫”翻譯一些還沒有完成的句子所造成的。

不同于Meta與中科院,知了未來是一支位于倫敦的小型華人研發(fā)團(tuán)隊。該團(tuán)隊目前正在融資中,且并尚未開源其模型;其關(guān)于此模型公開信息僅有測試體驗窗口(https://translate.weil-ai.com/)與論文摘要。根據(jù)其公開的論文摘要顯示,知了未來的同聲傳譯v3模型相較于前兩家,創(chuàng)新之處在于其將“是否等待更多輸入”的功能直接交給了翻譯模型?，F(xiàn)在其正在內(nèi)測兩款模型:小(mini)模型以低延遲為首要目標(biāo),根據(jù)內(nèi)測其翻譯延遲平均為1-3秒,在發(fā)言人講話清晰時翻譯準(zhǔn)確率遠(yuǎn)超上述兩款模型。大(large)模型以高精度為特點,翻譯延遲平均為2-5秒,而翻譯準(zhǔn)確與流暢程度達(dá)到甚至超越了真人水準(zhǔn),甚至支持中英混合表達(dá)、古詩詞、方言與流行梗的準(zhǔn)確翻譯。美中不足的是該模型目前內(nèi)測名額有限,并且測試火爆經(jīng)常出現(xiàn)排隊使用的狀況;其網(wǎng)頁翻譯功能距離落地產(chǎn)品還有一段距離,目前更像一個“模型展示”的網(wǎng)頁。

綜上所述,AI同聲傳譯的技術(shù)突破已經(jīng)讓更多潛在的可能性進(jìn)入現(xiàn)實,我們距離電影《流浪地球》中的“兩個不同語言的人戴上耳機之后可以正常交流”的場景已經(jīng)肉眼可見的飛速接近。而當(dāng)下最接近這個場景的知了未來同聲傳譯等軟件還未開始任何的產(chǎn)品落地;到底會先在哪個場景看到它的使用?誰會是第一批用戶?成為了交給市場的下一個問題。

在思考這個問題之前,我們回看一下同聲傳譯即將實現(xiàn)的核心功能:將講話人的聲音作為實時輸入,將翻譯好的語音模擬講話人的音調(diào)作為實時輸出。那么給定這個功能下,我們想了一些非常好的例子在這里分享給大家,希望能激發(fā)大家的靈感:

一、空乘播報

在國際航班上,乘務(wù)員通常被要求會講兩國甚至是多國語言。除了更好的服務(wù)旅客,更重要的是在飛行途中對于旅程等信息的播報,例如“入境須知、航班轉(zhuǎn)機信息”等內(nèi)容需要讓不同國家的旅客聽明白的話就需要同時說不同的語言。而多語言對于空乘來說確實是一個不小的挑戰(zhàn),但凡口語表達(dá)的不清晰就會給旅客造成困擾。而AI同聲傳譯或許在這個時候就可以幫上忙,僅需要空乘會說一種語言,AI負(fù)責(zé)將其內(nèi)容以相同的音色傳入乘客的耳中,讓飛機上來自五湖四海的旅客都可以聽清楚聽明白、并且讓旅途更安心。

二、在線教育

隨著在線教育的全球化進(jìn)程加快,越來越多的教育平臺和機構(gòu)希望吸引來自世界各地的學(xué)生。然而,語言差異常常成為學(xué)生獲取優(yōu)質(zhì)教育資源的障礙。尤其是母語為小語種的學(xué)生,在學(xué)習(xí)非母語課程時,往往不僅難以理解,還影響到他們在數(shù)學(xué)、物理等核心學(xué)科的學(xué)習(xí)能力,許多有天賦的學(xué)生因此被埋沒。AI同聲傳譯技術(shù)恰好能夠打破這一壁壘,為講師提供實時翻譯服務(wù),使得無論講師使用何種語言授課,學(xué)生都能同步獲取翻譯內(nèi)容,從而在全球化的教育環(huán)境中不再受到語言的限制。

AI同聲傳譯技術(shù)能夠為這些場合提供實時、精準(zhǔn)的翻譯服務(wù),避免信息傳遞中的延遲與誤解,從而促進(jìn)更加高效的國際交流與合作。那除此之外,未來還有哪些可能的使用場景?或許下一個突破點,就藏在我們?nèi)粘Ｉ钪械哪硞€細(xì)節(jié)。隨著技術(shù)的不斷完善,AI同聲傳譯將逐步進(jìn)入更多的日常應(yīng)用場景,成為未來全球化溝通不可或缺的一部分。

未來已來,我們拭目以待。

審核編輯 黃宇